2.2 Классификация погрешностей измерений.

Разница между результатами измерения X' и истинным значением А измеряемой величины называется абсолютной погрешностью измерения:

(2.5)

Абсолютная погрешность, взятая с обратным знаком, называется поправкой измерительного прибора.

Относительная погрешность измерений: - отношение абсолютной погрешности к истинной величине. Определяется, как правило, в %.

(2.6)

Приведенная погрешность  измерения: - отношение абсолютной погрешности к некоторому нормированному значению Х_n

(2.7)

Основная погрешность измерительного прибора: - погрешность, возникающая при нормальном использовании прибора. Её можно представить в виде суммы погрешностей - аддитивной и мультипликативной.

=a+b*X,

(2.8)

где а – аддитивная погрешность;

      b – мультипликативная погрешность;

Х – текущее значение измерений.

Аддитивная погрешность – не зависит от чувствительности прибора и является постоянной для всего диапазона измерений.

Мультипликативная погрешность – зависит от чувствительности прибора и изменяется пропорционально текущему значению входной величины.

Интерпретация сказанного приведена на рисунке 2.1.

рис. 2.1.

У измерительных приборов, как правило, нормируется основная приведенная погрешность во всем диапазоне измерений, которая называется классом точности прибора. В соответствии с ГОСТ 8.401-80 классы точности выбирают из ряда: 1*10ⁿ ; 1.5*10ⁿ ; 2*10ⁿ ; 2.5*10ⁿ ; 4*10ⁿ ; 5*10ⁿ ; 6*10ⁿ, где n=1, 0, -1,  -2, -3, ... .

У цифровых измерительных приборов погрешность определяется из выражения:

,

(2.9)

где Х_к – конечное значение диапазона измерения,

Х – текущее значение измеряемой величины,

c и d – составляющие погрешности, приведенные на шкале или в паспорте цифрового прибора.

2.3 Обработка погрешностей измерений.

Если результат измерения определяется как совместное измерение, тогда погрешность результата можно определить воспользовавшись таблицей:

Функция	Погрешности
	- абсолютная погрешность	- относительная погрешность
X+Y+Z
X-Y
X*Y
X^n	± n*X^n-1* x
Sin X	± cos X x	± ctg X x
Cos X	± sin X x	± tg X x
Tg X
Ctg X
Arctg X

2.4 Краткие сведения из теории вероятности.

Следует считать, что если событие может произойти, то оно обязательно произойдет. Все решает только вопрос времени. Возможность происхождения события в данный момент характеризуется вероятностью происхождения события – р. Если, например, событие А может происходить независимо от всех других событий – оно называется независимым, обозначается р(А) и не может превышать 1.

Вероятность осуществления события А называется в этом случае безусловной вероятностью.

Вероятность того, что событие А не произойдет, обозначается р( ).

р( )=1-р(А).

Если событие А не может произойти вне зависимости от события В, то оно называется зависимым.

Вероятность осуществления события А при условии, что произошло событие В, обозначается р(A/B) и называется условной вероятностью события А.

Если события А и В независимы друг от друга, то имеет место математическая запись:

Степень зависимости событий оценивается коэффициентами регрессии и корреляции.

Коэффициент регрессии события А относительно события В записывается как:

r(А,В)=р(А/В)-р(А/ )

Коэффициент регрессии события В относительно события А записывается как:

r(В,А)=р(В/А)-р(В/ ).

Коэффициент корреляции (совпадений) событий А и В выражается формулой:

К(А,В)=

В том случае, если результаты опыта сводятся к схеме случая и общее число случаев (опытов) равно N, то вероятность события А выражается как:

р(А)=NA/N,

где N_A-число случаев благоприятных событию А (или число случаев, при которых событие А произошло).

Для достоверной оценки вероятности проявления события необходимо провести ряд опытов, количество которых определяет степень достоверности результата. В метрологии принято считать, что если произведено 30 или более опытов, то ряд называется репрезентативным или представительным. Если опытов было меньшее количество, то ряд называют нерепрезентативным (не представительным).

Описание случайных погрешностей с помощью функций распределения

Рассмотрим результат наблюдений Х за постоянной физической величиной Q как случайную величину, принимающую различные значения Z, в различных наблюдениях за ней. Значения будем называть результатами отдельных наблюдений.

Наиболее универсальный способ описания случайных величин заключается в отыскании их интегральных или дифференциальных функций распределения.

Под интегральной функцией распределения результатов наблюдений понимается зависимость вероятности того, что результат наблюдения в i-м опыте окажется меньшим некоторого текущего значения х, от самой величины х:

(2.10)

Здесь и в дальнейшем большие буквы используются для обозначения случайных величин, а маленькие - значений, принимаемых случайными величинами. Поскольку функция распределения вероятности представляет собой вероятность, то она удовлетворяет следующим свойствам:

На рисунке 2.2 показаны примеры функций распределения вероятности.

Рис. 2.2.

Более наглядным является описание свойств результатов наблюдений и случайных погрешностей с помощью дифференциальной функции распределения, иначе называемой плотностью распределения вероятностей:

(2.11)

Физический смысл f(x) состоит в том, что произведение f(x)dx представляет вероятность попадания случайной величины Х в интервал от х до х + x , т.е.

Свойства плотности распределения вероятности:

-вероятность достоверного события равна 1;иными словами, площадь, заключенная между кривой дифференциальной функции распределения и осью абсцисс, равна единице;

- вероятность попадания случайной величины в интервал от до .

От дифференциальной функции распределения легко перейти к интегральной путем интегрирования:

(2.12)

Размерность плотности распределения вероятностей, как это следует из формулы, обратна размерности измеряемой величины, поскольку сама вероятность - величина безразмерная.

Используя понятия функций распределения, легко получить выражения для вероятностей того, что результат наблюдений Х или случайная погрешность примет при проведении измерения некоторое значение в интервале или .

В терминах интегральной функции распределения имеем:

т.е. вероятность попадания результата наблюдений или случайной погрешности в заданный интервал равна разности значений функции распределения на границах этого интервала.

Заменяя в полученных формулах интегральные функции распределения на соответствующие плотности распределения вероятностей согласно выражению, получим формулы для искомой вероятности в терминах дифференциальной функции распределения:

Таким образом, вероятность попадания результата наблюдения или случайной погрешности в заданный полуоткрытый интервал равна площади, ограниченной кривой распределения, осью абсцисс и перпендикулярами к ней на границах этого интервала. Необходимо отметить, что результаты наблюдений в значительной степени сконцентрированы вокруг истинного значения измеряемой величины и по мере приближения к нему элементы вероятности их появления возрастают. Это дает основание принять за оценку истинного значения измеряемой величины координату центра тяжести фигуры, образованной осью абсцисс и кривой распределения, и называемую математическим ожиданием результатов наблюдений:

(2.13)

В заключение можно дать более строгое определение постоянной систематической и случайной погрешностей.

Систематической постоянной погрешностью называется отклонение математического ожидания результатов наблюдений от истинного значения измеряемой величины:

(2.14)

а случайной погрешностью - разность между результатом единичного наблюдения и математическим ожиданием результатов

(2.15)

В этих обозначениях истинное значение измеряемой величины составляет

(2.16)

Виды распределения результатов наблюдения и случайных погрешностей.

Случайная погрешность измерения образуется под влиянием большого числа факторов, сопутствующих процессу измерения. В каждой конкретной ситуации работает свой механизм образования погрешности. Поэтому естественно предположить, что каждой ситуации должен соответствовать свой тип распределения погрешности. Однако во многих случаях имеются возможности еще до проведения измерений сделать некоторые предположения о форме функции распределения, так что после проведения измерений остается только определить значения некоторых параметров, входящих в выражение для предполагаемой функции распределения.

Случайная погрешность характеризует неопределенность наших знаний об истинном значении измеряемой величины, полученных в результате проведенных наблюдений. Согласно К. Шеннону мерой неопределенности ситуации, описываемой случайной величиной X, является энтропия:

(2.16)

являющаяся функционалом дифференциальной функции распределения . Можно предположить, что любой процесс измерения формируется таким образом, что неопределенность результата наблюдений оказывается наибольшей в некоторых пределах, определяемых допускаемыми значениями погрешности. Поэтому наиболее вероятными должны быть такие распределения , при которых энтропия обращается в максимум.

Для выявления вида наиболее вероятных распределений рассмотрим несколько наиболее типичных случаев.

1. В классе распределений результатов наблюдений , обладающих определенной зоной рассеивания между значениями х = b и х = а шириной b-а=2а, найдем такое, которое обращает в максимум энтропию при наличии ограничивающих условий:

,

,

, где - математическое ожидание результатов наблюдений. Решение поставленной задачи находится методом множителей Лагранжа.

Искомая плотность распределения результатов наблюдений описывается выражением

Такое распределение результатов наблюдений называется равномерным.

Значения дифференциальной функции распределения равномерной распределенной случайной погрешности постоянны в интервале [- а; + а], а вне этого интервала равны нулю (см рисунок 2.3).

 

Рис. 2.3

Поэтому выражение для дифференциальной функции распределения случайной погрешности можно записать в виде

Определим числовые характеристики равномерного распределения. Математическое ожидание случайной погрешности находим по формуле:

(2.17)

 

  Дисперсию случайной равномерно распределенной погрешности можно найти по формуле:

(2.18)

В силу симметрии распределения относительно математического ожидания коэффициент асимметрии должен равняться нулю

(2.19)

Для определения эксцесса найдем вначале четвертый момент случайной погрешности:

(2.20)

поэтому

В заключение найдем вероятность попадания случайной погрешности в заданный интервал [ ], равный заштрихованной площади на рисунке.

2. В классе распределений результатов наблюдений , обладающих определенной дисперсией , найдем такое, которое обращает в максимум энтропию при наличии ограничений:

, , , .

Решение этой задачи также находится методом множителей Лагранжа. Искомая плотность распределения результатов наблюдений описывается выражением

(2.21)

где - математическое ожидание и - среднеквадратическое отклонение результатов наблюдений.

Учитывая, что при полном исключении систематических погрешностей и , для дифференциальной функции распределения случайной погрешности можно записать уравнение

(2.22)

Распределение, описываемое этими уравнениями, называется нормальным или распределением Гаусса.

На рисунке изображены кривые нормального распределения случайных погрешностей для различных значений среднеквадратического отклонения .

Из рисунка видно, что по мере увеличения среднеквадратического отклонения распределение все более и более расплывается, вероятность появления больших значений погрешностей возрастает, а вероятность меньших погрешностей сокращается, т.е. увеличивается рассеивание результатов наблюдений.

Вычислим вероятность попадания результата наблюдения в некоторый заданный интервал :

Широкое распространение нормального распределения погрешностей в практике измерений объясняется центральной предельной теоремой теории вероятностей, являющейся одной из самых замечательных математических теорем, в разработке которой принимали участие многие крупнейшие математики - Муавр, Лаплас, Гаусс, Чебышев и Ляпунов. Центральная предельная теорема утверждает, что распределение случайных погрешностей будет близко в нормальному всякий раз, когда результаты наблюдения формируются под влиянием большого числа независимо действующих факторов, каждый из которых оказывает лишь незначительное действие по сравнению с суммарным действием всех остальных.

1. Предположим, что результаты наблюдений распределены нормально, но их среднеквадратическое отклонение является величиной случайной, изменяющейся от опыта к опыту. Такое предположение более осторожное, чем предположение о неизменности в течение всего времени измерений. В этом случае, рассуждая таким же образом, как и прежде, легко найти, что энтропия обращается в максимум, если результаты наблюдений имеют распределение Лапласа с плотностью

(2.23)

где - математическое ожидание, - среднеквадратическое отклонение результатов наблюдения. Распределением Лапласа следует пользоваться в тех случаях, когда точностные характеристики заранее неизвестны или нестабильны во времени.

Дифференциальная функция распределения случайных погрешностей получается подстановкой и в предыдущее выражение:

Асимметрия распределения равна нулю, поскольку распределение симметрично относительно нуля, а эксцесс составляет:

(2.24)

Таким образом, по сравнению с нормальным распределением (Ех = 0) равномерное распределение является более плосковершинным (Ех = -1.2), а распределение Лапласа - более островершинным (Ех=3).

Оценка с помощью интервалов

Смысл оценки параметров с помощью интервалов заключается в нахождении интервалов, называемых доверительными, между границами которых с определенными вероятностями (доверительными) находятся истинные значения оцениваемых параметров.

Вначале остановимся на определении доверительного интервала для среднего арифметического значения измеряемой величины. Предположим, что распределение результатов наблюдений нормально и известна дисперсия . Найдем вероятность попадания результата наблюдений в интервал . Согласно формуле:

Но

и, если систематические погрешности исключены ,

Это означает, что истинное значение Q измеряемой величины с доверительной вероятностью находится между границами доверительного интервала .

Половина длины доверительного интервала называется доверительной границей случайного отклонения результатов наблюдений, соответствующей доверительной вероятности Р. Для определения доверительной границы (при выполнении перечисленных условий) задаются доверительной вероятностью, например Р=0.95 или Р=0.995 и по формулам

определяют соответствующее значение интегральной функции нормированного нормального распределения. Затем по данным находят значение коэффициента и вычисляют доверительное отклонение . Проведение многократных наблюдений позволяет значительно сократить доверительный интервал. Действительно, если результаты наблюдений (i=l, 2,..., n) распределены нормально, то нормально распределены и величины , а значит, и среднее арифметическое , являющееся их суммой. Поэтому имеет место равенство.

где определяется по заданной доверительной вероятности Р.

Полученный доверительный интервал, построенный с помощью среднего арифметического результатов n независимых повторных наблюдений, в раз короче интервала, вычисленного по результату одного наблюдения, хотя доверительная вероятность для них одинакова. Это говорит о том, что сходимость измерений растет пропорционально корню квадратному из числа наблюдений.

Половина длины нового доверительного интервала

(2.25)

называется доверительной границей погрешности результата измерений, а итог измерений записывается в виде

Моменты случайных погрешностей.

Функция распределения является самым универсальным способом описания поведения случайных погрешностей. Однако для определения функций распределения необходимо проведение весьма кропотливых научных исследований и обширных вычислительных работ. Поэтому к такому способу описания случайных погрешностей прибегают иногда при исследовании принципиально новых мер и измерительных приборов.

Значительно чаще бывает достаточно охарактеризовать случайные погрешности с помощью ограниченного числа специальных величин, называемых моментами.

Начальным моментом n-го порядка результатов наблюдений называется интеграл вида

(2.26)

представляющий собой математическое ожидание степени .

При n=1

т.е. первый начальный момент совпадает с математическим ожиданием результатов измерений.

Центральным моментом n-го порядка результатов наблюдений называется интеграл вида

(2.27)

Вычислим первый центральный момент:

(2.28)

Таким образом, первый центральный момент результатов наблюдений равен нулю. Важно отметить, что начальные и центральные моменты случайных погрешностей совпадают между собой и с центральными моментами результатов наблюдений, поскольку математическое ожидание случайных погрешностей равно нулю.

Особое значение наряду с математическим ожиданием результатов наблюдений имеет второй центральный момент, называемый дисперсией результатов наблюдений.

(2.29)

При n=2

Дисперсия D[X] случайной погрешности равна дисперсии результатов наблюдений и является характеристикой их рассеивания относительно математического ожидания.

Если математическое ожидание результатов наблюдений можно рассматривать в механической интерпретации как абсциссу центра тяжести фигуры, заключенной между кривой распределения и осью Ох, то дисперсия является аналогом момента инерции этой фигуры относительно вертикальной оси, проходящей через центр тяжести.

Дисперсия имеет размерность квадрата измеряемой величины, поэтому она не совсем удобна в качестве характеристики рассеивания. Значительно чаще в качестве последней используется положительное значение корня квадратного из дисперсии, называемое средним квадратичным отклонением результатов наблюдений:

(2.30)

С помощью среднеквадратического отклонения можно оценить вероятность того, что при однократном наблюдении случайная погрешность по абсолютной величине не превзойдет некоторой наперед заданной величины , т. е. вероятность . Для этого рассмотрим формулу, известную как неравенство Чебышева:

или

Полагая , можно найти вероятность того, что результат однократного наблюдения отличается от истинного значения на величину, большую утроенного среднеквадратического отклонения, т. е. вероятность того, что случайная погрешность окажется больше :

Вероятность того, что погрешность измерения не превысит , составит соответственно

Неравенство Чебышева дает только нижнюю границу для вероятности , меньше которой она не может быть ни при каком распределении. Обычно значительно больше 0.89. Так, например, в случае нормального распределения погрешностей эта вероятность составляет 0.9973.

Математическое ожидание и дисперсия являются наиболее часто применяемыми моментами, поскольку они определяют наиболее важные черты распределения: положение центра распределения и степень его разбросанности. Для более подробного описания распределения используются моменты более высоких порядков.

Третий момент случайных погрешностей служит характеристикой асимметрии, или скошенности распределения. В общем случае любой нечетный момент случайной погрешности характеризует асимметрию распределения. Действительно, если распределение обладает свойством симметрии, то все функции вида , где s = l, 3, 5..., являются нечетными функциями (см.  рисунок).

Поэтому все нечетные моменты, являющиеся интегралами этих функций в бесконечных пределах, должны равняться нулю. Отличие этих моментов от нуля как раз и указывает на асимметрию распределения. Простейшим из нечетных моментов является третий момент . Чтобы получить безразмерную характеристику, третий момент делят на третью степень среднеквадратического отклонения и получают коэффициент асимметрии, или просто асимметрию Sk распределения:

(2.31)

 

 

Рис. 2.4

Для иллюстрации сказанного на рис.2.4 приведены три кривые распределения случайных погрешностей с положительной, отрицательной и нулевой асимметрией.

Четвертый момент служит для характеристики плосковершинности или островершинности распределения случайных погрешностей. Эти свойства описываются с помощью эксцесса - безразмерной характеристики, определяемой выражением

(2.32)

Число 3 вычитают из отношения потому, что для широко распространенного нормального распределения погрешностей . Таким образом, для нормального распределения эксцесс равен нулю, более плосковершинные распределения обладают отрицательным эксцессом, более островершинные - положительным (см. рисунок 2.5).

Рис. 2.5.